El diagnóstico eficiente de fallos en cajas de cambios es crucial para el mantenimiento rentable y la operación confiable de maquinaria rotativa. A pesar de la extensa investigación, el diagnóstico de fallos efectivo sigue siendo un desafío debido a la multitud de características disponibles para la clasificación. Los métodos tradicionales de selección de características a menudo no logran alcanzar un rendimiento óptimo en las tareas de clasificación de fallos. Este estudio introduce diversos métodos de clasificación para seleccionar las características relevantes y utiliza técnicas de segmentación de datos como deslizamiento, ventana y muestreo con reemplazo para fortalecer el rendimiento y la escalabilidad del modelo predictivo. Se realizó un análisis comparativo de estos métodos para identificar las posibles causas y soluciones futuras. Una evaluación del impacto de la ingeniería de características mejorada y la segmentación de datos en el mantenimiento predictivo en cajas de cambios reveló resultados prometedores, con modelos de árboles de decisión, SVM y KNN superando a otros. Además, dentro de una red completamente conectada, la segmentación por ventana surgió como un método de segmentación más robusto y eficiente en comparación con el muestreo con reemplazo. Se necesita más investigación para evaluar el rendimiento de estas técnicas en diversos conjuntos de datos y aplicaciones, ofreciendo perspectivas completas para futuros estudios en diagnóstico de fallos y mantenimiento predictivo.